Gesundheitliche Bewertung unter Unsicherheit: Was leisten statistische Modelle?

German. Die Vorgehensweise in der quantitativen Risikobewertung (QRB) ist dadurch geprägt, dass zu einem fraglichen Sachverhalt („Risikofrage“) Kenntnisse und Informationen aus unterschiedlichen Disziplinen zusammengetragen und hinsichtlich eines definierten, gesundheitsbezogenen Endpunkts quantitativ bewertet werden. Diese Bewertungen erfolgen in einem strukturierten Ansatz, der eine Charakterisierung der möglichen Gefährdung, eine Expositionsabschätzung und eine zusammenfassende Charakterisierung des Risikos beinhaltet, wie am Beispiel für mikrobiologische Risikobewertungen gezeigt werden kann. Das Ziel ist die Schätzung eines definierten populationsbezogenen Effekts der Exposition, wie beispielsweise die jährliche Inzidenz einer E.coli O157:H7 Infektion bei Kindern durch den Verzehr von Rindfleisch. Aus den Ergebnissen experimenteller und quantitativ-epidemiologischer Untersuchungen (z.B. zur Prävalenz in der Primärproduktion, im Lebensmittel, beim Menschen, Risikofaktoren) sowie aus den Kenntnissen zur Exposition (z.B. Verzehrs- und Marktstudien) werden die zu bewertenden Szenarien und die Modellparameter einer QRB abgeleitet. Den höchsten Erkenntnisgewinn liefern die sogenannten probabilistischen Modelle, in denen die im Realsystem vorhandene Variabilität sowie statistische und andere Unsicherheiten durch Verteilungen abgebildet werden und durch eine Monte-Carlo (MC) Simulation numerisch integriert werden. Diese Methodik hat Ähnlichkeiten mit der Bayes-Inferenz. Tatsächlich bieten Bayesianische Modelle und Netzwerke Vorteile in der Risikobewertung, insbesondere beim Umgang mit Korrelationen zwischen Parametern und bei Rückkopplungen von Informationen in einem Szenariopfad. Unsicherheiten in einer QRB ergeben sich bei der Festlegung auf ein betrachtetes Szenario, bei der Auswahl eines geeigneten Modells (oder Teilmodells) und schließlich auf der Ebene der Modellparameter. Alternative Szenarien sowie alternative mathematische Modelle können mit der Sensitivitätsanalyse untersucht werden. Probabilistische Modelle erfordern eine empirisch fundierte Kenntnis der Modellparameter bezüglich der zentralen Tendenz und der Verteilungscharakteristik zur Beschreibung der Parameterunsicherheit. Analytische und diagnostische Gütekriterien der validierten Laborverfahren sollten bei der Verwendung der generierten Daten für eine QRB berücksichtigt werden. Bei der Verwendung von Expertenwissen zur Modellierung eines Modellparameters sind die Auswahl einer Verteilungsfamilie (z.B. Normal, Uniform, Beta-Pert, Dreieck) sowie die Festlegung der Hyperparameter weitere wesentliche Quellen der Parameterunsicherheit. Die teilweise komplexen numerisch-statistischen Methoden für den Umgang mit Unsicherheiten sind für Risikobewerter und Gutachter von Risikobewertungen von Interesse. In der Kommunikation von QRB gilt es in erster Linie, die Grenzen aufzuzeigen, in denen eine gesundheitliche Bewertung unter Unsicherheiten zu gültigen Schlussfolgerungen führt.